tailieunhanh - Nhận dạng ổn định hệ thống điện dùng bộ phân lớp SVM

Bài viết giới thiệu bộ phân lớp SVM (Suport Vector Machine) và đề nghị áp dụng SVM vào đánh giá ổn định HTĐ. Nghiên cứu được kiểm tra trên sơ đồ IEEE 39-bus. Bài viết đã so sánh độ chính xác nhận dạng ổn định HTĐ của SVM và mạng nơ-rôn MLP (Multilayer Perceptron Neural Network). Kết quả cho thấy bộ phân lớp SVM đạt độ chính xác nhận dạng cao hơn bộ phân lớp MLP. | Nhận dạng ổn định hệ thống điện dùng bộ phân lớp SVM Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 04 2020 Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 1 NHẬN DẠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN DÙNG BỘ PHÂN LỚP SVM POWER SYSTEM STABILITY RECOGNITION USING SVM CLASSIFIER Nguyễn Ngọc Âu Trương Văn Hiền Phù Thị Ngọc Hiếu Trường Đại học Sư phạm Kỹ thuật Việt Nam Ngày toà soạn nhận bài 3 10 2019 ngày phản biện đánh giá 30 10 2019 ngày chấp nhận đăng 9 12 2019. TÓM TẮT Đầu tư phát triển hạ tầng hệ thống điện HTĐ không theo kịp độ tăng trưởng của phụ tải. HTĐ bị áp lực vận hành ở chế độ cận giới hạn biên ổn định. Cho nên HTĐ rất dễ bị tổn thương khi gặp sự cố. Mất ổn định hệ thống điện được phát hiện sớm thì cơ hội điều khiển đưa hệ thống điện về trạng thái ổn định còn khả thi. Các phương pháp truyền thống tốn nhiều thời gian phân tích ổn định quá độ trong HTĐ nên không thích hợp trong làm việc trực tuyến. Nhận dạng là phương pháp hứa hẹn áp dụng đánh giá ổn định HTĐ trực tuyến. Bài báo giới thiệu bộ phân lớp SVM Suport Vector Machine và đề nghị áp dụng SVM vào đánh giá ổn định HTĐ. Nghiên cứu được kiểm tra trên sơ đồ IEEE 39-bus. Bài báo đã so sánh độ chính xác nhận dạng ổn định HTĐ của SVM và mạng nơ-rôn MLP Multilayer Perceptron Neural Network . Kết quả cho thấy bộ phân lớp SVM đạt độ chính xác nhận dạng cao hơn bộ phân lớp MLP. Từ khóa nhận dạng phân lớp ổn định hệ thống điện suport vector machine mạng nơ-rôn. ABSTRACT Investment in developing power system infrastructure cannot keep up with the growth of load. The power system must operate under stressful condition and operating point of power system is close to its stability limit. Therefore the power system is more vulnerable to incidents. A instability of the power system needs to be detected early. Since then opportunity drives the power system into re-stability state easier. Conventional methods are highly time-consuming for transient stability analysis of power system. So the methods are unsuitable for on-line .